基于风格与小波驱动生成模型的无监督卫星影像语义概念发现

近年来，生成对抗网络（GANs）领域取得了显著进展，尤其是风格式架构的出现解决了诸多关键短板——无论在建模能力还是网络可解释性方面。尽管有这些改进，此类方法在卫星影像领域的采用并非易事。生成任务中使用的典型视觉数据集对齐良好且带标注，并表现出有限的变化性。相比之下，卫星影像表现出极大的空间与光谱变异性、广泛存在的精细高频细节，而标注卫星影像的繁琐性导致标注稀缺——进一步推动了无监督学习的发展。有鉴于此，我们提出了首个预训练的风格与小波基GAN模型，该模型能轻松合成各种设置与条件下广泛的真实卫星图像——同时保留高频信息。此外，我们展示通过分析网络的中间激活，可发现大量可解释的语义方向，从而在无任何监督形式下，依据高层概念（如城市化）实现卫星图像的引导合成。通过一组定性与定量实验，我们证明了框架在下游任务适用性（如数据增强）、合成图像质量以及向未见过数据集的泛化能力方面的有效性。